一种基于多点位相机阵列的轨迹获取方法及装置与流程

本发明涉及数据处理技术领域，特别是指一种基于多点位相机阵列的轨迹获取方法及装置。

背景技术：

船舶在狭窄水系中航行时，雷达无法判断其准确位置，但需要得到其航向轨迹。依靠在各个岔口处建立监控点，然后根据人工估计其船速以及到下一个可能站点的时间，进行人工通信，判断其轨迹，这样需要耗费大量的人力，且对工作人员精力要求较高，由于各种人工因素会导致其判断的准确性不高。

技术实现要素：

本发明要解决的技术问题是提供一种基于多点位相机阵列的轨迹获取方法及装置。解决了狭窄复杂水系下跨摄像头轨迹获取不稳定的问题，同时节省了人工成本。

为解决上述技术问题，本发明的技术方案如下：

本发明提供了一种基于多点位相机阵列的轨迹获取方法，所述方法包括：

获取各站点的数据库信息和目标船只的先验知识；

根据所述各站点的数据库信息和所述目标船只的先验知识，预测所述目标船只从第一站点到第二站点的预测时间段；

在所述预测时间段内，对第二站点内的所有船只进行行人重识别reid判别，得到目标船只从第一站点到第二站点之间的轨迹。

可选的，获取各站点的数据库信息，包括：

获取各站点中监控装置抓拍目标船只的抓拍图像；

根据所述抓拍图像，得到所述目标船只的特征信息；所述特征信息包括船只颜色信息、船只轮廓信息、船身特征信息以及船只号牌信息中的至少一项；

根据所述目标船只的特征信息，得到所述各站点的数据库信息。

可选的，所述目标船只的数据库信息，包括：船只身份识别号id信息和特征信息。

可选的，根据所述抓拍图像，得到所述目标船只的船身特征信息，包括：

对所述抓拍图像进行特征提取，得到目标船只的最小外接矩形框图像；

根据所述目标船只的最小外接矩形框图像，得到所述目标船只的船身特征信息。

可选的，根据所述抓拍图像，得到所述目标船只的船只号牌信息，包括：

根据所述抓拍图像，对所述抓拍图像进行文本位置提取，得到所述目标船只的号牌图像；

将所述号牌图像进行文本特征学习，得到所述目标船只的号牌文本；

对所述号牌文本进行对齐文本长度，得到所述目标船只的船只号牌信息。

可选的，在所述时间段内，对第二站点的所有船只进行行人重识别reid判别，得到目标船只从第一站点到第二站点之间的轨迹，包括：

在所述预测时间段内，对第二站点的所有船只的特征信息进行匹配度判断，得到匹配度打分值；

根据所述匹配度打分值，判别所述第二站点的所有船只中的目标船只，得到所述目标船只从第一站点到第二站点之间的轨迹。

可选的，在所述预测时间段内，对第二站点的所有船只的特征信息进行匹配度判断，得到匹配度打分值，包括：

在所述预测时间段内，对第二站点的所有船只的特征信息的匹配度进行归一化处理，得到归一化结果；

对所述归一化结果采用加权的方式，得到匹配度打分值。

可选的，根据所述匹配度打分值，判别所述第二站点的所有船只中的目标船只，包括：

在预测时间段内，对第二站点的所有船只的匹配度打分值的高低进行排序，得到排序结果；

选取所述排序结果中所述匹配度打分值最高的船只为目标船只。

本发明还提供一种基于多点位相机阵列的轨迹获取装置，所述装置包括：

获取模块，用于获取各站点的数据库信息和目标船只的先验知识；

处理模块，用于根据所述各站点的数据库信息和所述目标船只的先验知识，预测所述目标船只从第一站点到第二站点的预测时间段；在所述预测时间段内，对第二站点内的所有船只进行行人重识别reid判别，得到目标船只从第一站点到第二站点之间的轨迹。

本发明提供一种计算机可读存储介质，存储有指令，所述指令在计算机上运行时，使得计算机执行如上述的方法。

本发明的上述方案至少包括以下有益效果：

本发明的上述方案，通过获取各站点的数据库信息和目标船只的先验知识；根据所述各站点的数据库信息和所述目标船只的先验知识，预测所述目标船只从第一站点到第二站点的预测时间段；在所述预测时间段内，对第二站点内的所有船只进行行人重识别reid判别，得到目标船只从第一站点到第二站点之间的轨迹；解决了狭窄复杂水系下跨摄像头轨迹获取不稳定的问题，极大地增强了目标跨摄像头下轨迹获取的稳定性，同时节省了人工成本。

附图说明

图1是本发明的实施例基于多点位相机阵列的轨迹获取方法的流程示意图；

图2是本发明的具体的实施例3的流程示意图；

图3是本发明的实施例基于多点位相机阵列的轨迹获取装置的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

如图1所示，本发明的实施例提出一种基于多点位相机阵列的轨迹获取方法，所述方法包括：

步骤11，获取各站点的数据库信息和目标船只的先验知识；

步骤12，根据所述各站点的数据库信息和所述目标船只的先验知识，预测所述目标船只从第一站点到第二站点的预测时间段；

步骤13，在所述预测时间段内，对第二站点内的所有船只进行行人重识别reid判别，得到目标船只从第一站点到第二站点之间的轨迹。

该实施例中，通过多点位相机获得分布在不同地理位置的站点的数据库信息，结合目标船只的先验知识，预测该目标船只从第一站点到第二站点的预测时间段，在预测时间段内，对第二站点内的所有船只进行行人重识别reid判别，找到目标船只从第一站点到第二站点之间的轨迹；不需要人工对处于狭窄复杂水系下的目标船只进行跟踪与轨迹获取，大大节省了人工成本，利用多点位相机极大地增强了目标跨摄像头下轨迹获取的稳定性；

需要说明的是，这里的目标船只的先验知识包括目标船只的速度信息、目标船只从第一站点到第二站点的距离信息和目标船只从第一站点到第二站点的方向信息。

具体地，步骤11中获取各站点的数据库信息，包括：

步骤111，获取各站点中监控装置抓拍目标船只的抓拍图像；

步骤112，根据所述抓拍图像，得到所述目标船只的特征信息；所述特征信息包括船只颜色信息、船只轮廓信息、船身特征信息以及船只号牌信息中的至少一项；

步骤113，根据所述目标船只的特征信息，得到所述各站点的数据库信息。

本实施例中，通过配备在每个站点的监控装置，调整监控装置中摄像头的安装高度及视场角，保证其可以覆盖监控水域，采用枪机检测和球机抓拍的方式得到目标船只的抓拍图像，通过抓拍图像可以得到目标船只的细节可见的船只图像，该船只图像可以用于获取目标船只多维度的特征信息；具体地，特征信息优选的包括船只颜色信息、船只轮廓信息、船身特征信息以及船只号牌信息中的至少一项；大大提高了多点位相机阵列的轨迹获取的准确率；

其中，对于特征信息中的船只颜色信息优选地使用颜色与分析算法得到，对于特征信息中的船只轮廓信息优选地使用边缘检测算法得到；

另外，这里对监控画面中目标船只优选地可以使用类yolov4目标检测算法实现深度特征提取，结合多层检测网络，可以对目标船只进行抓取；

一个具体的实施例1中，监控装置的摄像头中枪机抓拍到的目标船只，根据其检测框像素位置和球机转到该位置需要调整的ptz(pan/tilt/zoom)值建立映射关系，使用机器学习模型训练得到摄像头中枪机和球机对应位置关系的映射矩阵，即当船只在枪机监控画面经过的时候，将球机转动到对应位置，对船只目标进行抓拍，得到球机抓拍船只图像。

本发明一可选的实施例中，步骤112中根据所述抓拍图像，得到所述目标船只的船身特征信息，包括：

对所述抓拍图像进行特征提取，得到目标船只的最小外接矩形框图像；

根据所述目标船只的最小外接矩形框图像，得到所述目标船只的船身特征信息。

本实施例，实现目标船只的特征信息中的船身特征信息的提取，优选地可以使用深度卷积网络得到目标船只的最小外接矩形框图像，然后根据目标船只的最小外接矩形框图像进行特征向量的提取，得到目标船只的船身特征信息。

本发明一可选的实施例中，步骤112中根据所述抓拍图像，得到所述目标船只的船只号牌信息，包括：

根据所述抓拍图像，对所述抓拍图像进行文本位置提取，得到所述目标船只的号牌图像；

将所述号牌图像进行文本特征学习，得到所述目标船只的号牌文本；

对所述号牌文本进行对齐文本长度，得到所述目标船只的船只号牌信息。

本实施例，实现目标船只的特征信息中的船只号牌信息的提取，优选地可以使用倾斜文本行检测网络对抓拍图像中的号牌信息进行文本位置提取，得到带有号牌文本位置的号牌图像；然后将号牌图像优选地送入crnn(convolutionalrecurrentneuralnetwork，卷积递归神经网络)网络进行文本特征学习，得到号牌文本；然后优选地使用ctcloss(connectionisttemporalclassificationloss，时序数据分类的损失函数)对号牌文本进行对其文本长度，得到目标船只的船只号牌信息。

本发明一可选的实施例中，所述目标船只的数据库信息，包括：船只身份识别号id信息和特征信息。

本实施例中，每个站点都建立关于船只身份识别号id信息和特征信息的数据库，该站点的数据库包括目标船只的数据库信息，当然可以包括其他船只的数据库信息。

本发明一可选的实施例中，步骤13包括：

步骤131，在所述预测时间段内，对第二站点的所有船只的特征信息进行匹配度判断，得到匹配度打分值；

步骤132，根据所述匹配度打分值，判别所述第二站点的所有船只中的目标船只，得到所述目标船只从第一站点到第二站点之间的轨迹。

具体地，步骤131包括：

步骤1311，在所述预测时间段内，对第二站点的所有船只的特征信息的匹配度进行归一化处理，得到归一化结果；

步骤1312，对所述归一化结果采用加权的方式，得到匹配度打分值。

本实施例中，从第一站点经过的船只，可以根据其先验知识，预测出其到达第二站点的可能时间段分布，即预测时间段；然后在第二站点的预测时间段内，对经过第二站点的所有船只的特征信息的匹配度进行归一化处理，需要说明的是，进行匹配度判断优选地使用欧氏距离；对进行归一化处理的结果采用加权的方式得到匹配度打分值，其中，这里的加权的方式可以是平均加权的方式，当然也可以是其他比重的加权方式。

一个具体的实施例2中，在第二站点的预测时间段内经过的所有船只的特征信息进行匹配度判断，然后将匹配度进行归一化处理，经多次实验比对与论证，对其4个距离的归一化结果采用以各自0.25为比重的加权方式，得到所有船只的匹配度打分值。

本发明一可选的实施例中，步骤132中根据所述匹配度打分值，判别所述第二站点的所有船只中的目标船只，包括：

步骤1321，在预测时间段内，对第二站点的所有船只的匹配度打分值的高低进行排序，得到排序结果；

步骤1322，选取所述排序结果中所述匹配度打分值最高的船只为目标船只。

本实施例中，对步骤131得到的第二站点在预测时间段内的所有船只的匹配度打分值进行分值高低的排序，选取其中匹配度打分值最高的船只为目标船只，需要说明的是，匹配度是相对于待跟踪的目标船只的特征信息的匹配度，在第一站点得到目标船只到第二站点的预测时间段，然后得到第二站点在预测时间段内经过的所有船只的匹配度分数值，根据匹配度分数值得到相对于目标船只的特征信息匹配度最高的船只即为第二站点的目标船只，根据第一站点的目标船只、第二站点的目标船只以及先验知识，可以实现对目标船只在第一站点到第二站点之间的轨迹。

如图2所示，一个具体的实施例3中，目标船只x在预测时间段内从站点a经过，在站点a通过监控装置对预测时间段内的所有船只进行枪机检测，将监控装置中的枪机与球机联动，当枪机中检测到船只时，球机对船只进行抓拍，得到船只的抓拍图像；然后对该抓拍图像通过颜色空间分析、轮廓检测、特征提取以及号牌识别，得到该船只的特征信息，即船只的颜色、轮廓、船身特征以及号牌；对该船只的特征进行通过欧式距离进行距离判别，并进行归一化处理，得到该船只的归一化结果，对归一化结果进行加权得到匹配度打分值；将所有船只的匹配度打分值与目标船只的匹配度进行对比，得到在预设阈值内的匹配度打分值最高的船只为目标船只，完成对船只reid的判别，即可得到目标船只从上一站点到站点a之间的轨迹。

需要说明的是，这里对匹配度的判断，可以是在预设阈值内的匹配度打分值最高的船只为目标船只，当然也可以将站点a在预测时间段内经过的所有船只的匹配度打分值最高的船只，预设一个阈值可以减少对所有船只的匹配度打分值的高低排序的工作量；对船只的reid的判别还可以使用卡尔曼滤波和匈牙利匹配算法对船只目标进行身份信息标识id跟踪，从而得到目标船只在当前监控画面中的连续轨迹。

本发明实施例的方案通过获取各站点的数据库信息和目标船只的先验知识；根据所述各站点的数据库信息和所述目标船只的先验知识，预测所述目标船只从第一站点到第二站点的预测时间段；在所述预测时间段内，对第二站点内的所有船只进行行人重识别reid判别，得到目标船只从第一站点到第二站点之间的轨迹；解决了狭窄复杂水系下跨摄像头轨迹获取不稳定的问题，极大地增强了目标跨摄像头下轨迹获取的稳定性，同时节省了人工成本。

本发明还提供一种基于多点位相机阵列的轨迹获取装置30，所述装置包括：

获取模块31，用于获取各站点的数据库信息和目标船只的先验知识；

处理模块32，用于根据所述各站点的数据库信息和所述目标船只的先验知识，预测所述目标船只从第一站点到第二站点的预测时间段；在所述预测时间段内，对第二站点内的所有船只进行行人重识别reid判别，得到目标船只从第一站点到第二站点之间的轨迹。

可选的，获取各站点的数据库信息，包括：

获取各站点中监控装置抓拍目标船只的抓拍图像；

根据所述抓拍图像，得到所述目标船只的特征信息；所述特征信息包括船只颜色信息、船只轮廓信息、船身特征信息以及船只号牌信息中的至少一项；

根据所述目标船只的特征信息，得到所述各站点的数据库信息。

可选的，所述目标船只的数据库信息，包括：船只身份识别号id信息和特征信息。

可选的，根据所述抓拍图像，得到所述目标船只的船身特征信息，包括：

对所述抓拍图像进行特征提取，得到目标船只的最小外接矩形框图像；

根据所述目标船只的最小外接矩形框图像，得到所述目标船只的船身特征信息。

可选的，根据所述抓拍图像，得到所述目标船只的船只号牌信息，包括：

根据所述抓拍图像，对所述抓拍图像进行文本位置提取，得到所述目标船只的号牌图像；

将所述号牌图像进行文本特征学习，得到所述目标船只的号牌文本；

对所述号牌文本进行对齐文本长度，得到所述目标船只的船只号牌信息。

可选的，在所述时间段内，对第二站点的所有船只进行行人重识别reid判别，得到目标船只从第一站点到第二站点之间的轨迹，包括：

在所述预测时间段内，对第二站点的所有船只的特征信息进行匹配度判断，得到匹配度打分值；

根据所述匹配度打分值，判别所述第二站点的所有船只中的目标船只，得到所述目标船只从第一站点到第二站点之间的轨迹。

可选的，在所述预测时间段内，对第二站点的所有船只的特征信息进行匹配度判断，得到匹配度打分值，包括：

在所述预测时间段内，对第二站点的所有船只的特征信息的匹配度进行归一化处理，得到归一化结果；

对所述归一化结果采用加权的方式，得到匹配度打分值。

可选的，根据所述匹配度打分值，判别所述第二站点的所有船只中的目标船只，包括：

在预测时间段内，对第二站点的所有船只的匹配度打分值的高低进行排序，得到排序结果；

选取所述排序结果中所述匹配度打分值最高的船只为目标船只。

需要说明的是，该装置是与上述方法对应的装置，上述方法实施例中的所有实现方式均适用于该装置的实施例中，也能达到相同的技术效果。

本发明的实施例还提供一种计算机可读存储介质，存储有指令，所述指令在计算机上运行时，使得计算机执行如上所述的方法。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本发明所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。

此外，需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行，某些步骤可以并行或彼此独立地执行。对本领域的普通技术人员而言，能够理解本发明的方法和装置的全部或者任何步骤或者部件，可以在任何计算装置(包括处理器、存储介质等)或者计算装置的网络中，以硬件、固件、软件或者它们的组合加以实现，这是本领域普通技术人员在阅读了本发明的说明的情况下运用他们的基本编程技能就能实现的。

因此，本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此，本发明的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说，这样的程序产品也构成本发明，并且存储有这样的程序产品的存储介质也构成本发明。显然，所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。还需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。